CN111326002A - 一种自动驾驶汽车环境感知的预测方法、装置及系统 - Google Patents

一种自动驾驶汽车环境感知的预测方法、装置及系统 Download PDF

Info

Publication number
CN111326002A
CN111326002A CN202010120372.3A CN202010120372A CN111326002A CN 111326002 A CN111326002 A CN 111326002A CN 202010120372 A CN202010120372 A CN 202010120372A CN 111326002 A CN111326002 A CN 111326002A
Authority
CN
China
Prior art keywords
predicting
automatic driving
sensing information
surrounding environment
environment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010120372.3A
Other languages
English (en)
Inventor
俞春俊
张建国
孙巍
马庆
杜磊
穆文浩
秦征骁
石哲宇
顾茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN202010120372.3A priority Critical patent/CN111326002A/zh
Publication of CN111326002A publication Critical patent/CN111326002A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及自动驾驶汽车环境感知技术领域，具体公开了一种自动驾驶汽车环境感知故障的预测方法，其中，包括：实时获取周围环境的传感信息；根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。本发明还公开了一种自动驾驶汽车环境感知故障的预测装置及系统。本发明提供的自动驾驶汽车环境感知故障的预测方法可以根据周围环境的传感信息实现对当前目标运动状态的预测，从而降低由环境感知故障而导致自动驾驶汽车安全事故的风险。

Description

一种自动驾驶汽车环境感知的预测方法、装置及系统
技术领域
本发明涉及自动驾驶汽车环境感知技术领域，尤其涉及一种自动驾驶汽车环境感知故障的预测方法、自动驾驶汽车环境感知故障的预测装置及包括该自动驾驶汽车环境感知故障的预测装置的自动驾驶汽车环境感知故障的预测系统。
背景技术
自动驾驶汽车为了完成自动驾驶任务，必须实时感知周围环境，并对其进行理解，不断地规划行驶路径、执行控制动作。自动驾驶汽车通过各种传感器(如摄像头、毫米波雷达和激光雷达等)感知周围环境信息。车辆行驶的环境信息分为动态信息和静态信息。自动驾驶汽车环境感知的结果是建立一个车辆行驶环境模型，模型中本车和所有其他道路使用者的动态信息由一个动态运动方程描述，车辆环境模型也包含静态信息，包括所有相关基础设施要素，如交通标志和交通灯、道路标线等。在自动驾驶系统可获得车辆的精确位置信息的情况下，静态环境信息大部分可通过高精度电子地图获取。
自动驾驶系统以车辆环境模型为基础，进行车辆行驶状态识别。首先对各个环境要素进行相关性定义，并根据要素相关性生成场景理解模型。基于场景理解模型，自动驾驶系统需预估场景随时间变化的各种可能情况(也可称为“事件”)，并对其发生的概率进行评估，建立车辆行驶状态预测模型。因此，在本发明中，“事件”指的是自动驾驶汽车检测到的车辆场景模型随着时间推移的可能发生的状态。基于这种状态信息的车辆行驶状态预测模型可进一步用于车辆行驶轨迹规划及决策控制，如躲避障碍或超车等。对于车辆运行的控制执行，需在保证安全和舒适的前提下，计算3～5s时间范围内车辆运行轨迹，并通过执行基于一定规则的最优控制策略，由车辆控制器(转向、制动和加速等)实现车辆控制。整个过程依据时间重复迭代，自动驾驶汽车高度依赖传感器获得的传感信息感知道路交通环境，进而完成车辆的自动控制。
上述自动驾驶汽车完成自动驾驶任务的过程表明，环境感知系统的故障将直接导致车辆行驶状态预测的不确定性，这也将使车辆不能安全地完成轨迹规划和决策控制。因此，如何能够降低环境感知故障导致自动驾驶汽车安全事故的风险成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种自动驾驶汽车环境感知故障的预测方法、自动驾驶汽车环境感知故障的预测装置及包括该自动驾驶汽车环境感知故障的预测装置的自动驾驶汽车环境感知故障的预测系统，解决相关技术中存在的无法降低环境感知故障导致自动驾驶汽车安全事故的风险的问题。
作为本发明的第一个方面，提供一种自动驾驶汽车环境感知故障的预测方法，其中，包括：
实时获取周围环境的传感信息；
根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；
在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。
进一步地，所述根据所述周围环境的传感信息建立自动驾驶系统环境感知模型，包括：
根据所述周围环境的传感信息以及电子地图持续获取分类目标和道路交通信息；
根据当前自动驾驶汽车执行的驾驶任务确定所述分类目标和道路交通信息与当前自动驾驶汽车的相关性；
分别通过独立的动态模型描述道路基础设施元素和当前自动驾驶汽车的状态。
进一步地，所述根据所述周围环境的传感信息建立自动驾驶系统环境感知模型还包括：根据所述周围环境的传感信息实时更新所述自动驾驶系统环境感知模型。
进一步地，所述在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测，包括：
确定连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值；
根据所述连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值预测当前目标运动状态下一次测量值。
进一步地，所述连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值的状态方程表示式为：
xk+1|k＝f(xk)+Vk，
其中，Vk表示模型误差的附加干扰变量，xk表示当前目标运动状态的测量值。
进一步地，所述当前目标运动状态下一次测量值的状态方程表示式为：
pk+1|k(xk+1|xk)＝∫fk+1|k(xk+1|xk)pk(xk)dxk，
其中，pk+1|k(xk+1|xk)表示多维概率密度函数。
作为本发明的另一个方面，提供一种自动驾驶汽车环境感知故障的预测装置，其中，包括：
获取模块，用于实时获取周围环境的传感信息；
模型建立模块，用于根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；
预测模块，用于在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。
作为本发明的另一个方面，提供一种自动驾驶汽车环境感知故障的预测系统，其中，包括：检测装置和前文所述的自动驾驶汽车环境感知故障的预测装置，所述检测装置和所述自动驾驶汽车环境感知故障的预测装置通信连接，所述检测装置用于检测周围环境的传感信息。
进一步地，所述检测装置包括摄像头、毫米波雷达传感器和激光雷达传感器。
进一步地，所述自动驾驶汽车环境感知故障的预测装置包括单片机。
本发明实施例提供的自动驾驶汽车环境感知故障的预测方法，可以根据周围环境的传感信息实现对当前目标运动状态的预测，从而降低由环境感知故障而导致自动驾驶汽车安全事故的风险。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的自动驾驶汽车环境感知故障的预测方法的流程图。
图2为本发明提供的自动驾驶汽车环境感知故障的预测系统的预测流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种自动驾驶汽车环境感知故障的预测方法，图1是根据本发明实施例提供的自动驾驶汽车环境感知故障的预测方法的流程图，如图1所示，包括：
S110、实时获取周围环境的传感信息；
S120、根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；
S130、在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。
本发明实施例提供的自动驾驶汽车环境感知故障的预测方法，可以根据周围环境的传感信息实现对当前目标运动状态的预测，从而降低由环境感知故障而导致自动驾驶汽车安全事故的风险。
具体地，所述根据所述周围环境的传感信息建立自动驾驶系统环境感知模型，包括：
根据所述周围环境的传感信息以及电子地图持续获取分类目标和道路交通信息；
根据当前自动驾驶汽车执行的驾驶任务确定所述分类目标和道路交通信息与当前自动驾驶汽车的相关性；
分别通过独立的动态模型描述道路基础设施元素和当前自动驾驶汽车的状态。
具体地，所述根据所述周围环境的传感信息建立自动驾驶系统环境感知模型还包括：根据所述周围环境的传感信息实时更新所述自动驾驶系统环境感知模型。
需要说明的是，采用普通贝叶斯滤波描述状态不确定性，物体的估计状态和相关的不确定性用多维概率密度函数P表示。函数P是所有测量值在某一时刻的函数，用条件概率表示，系统变量的状态是测量值的条件概率函数。
目标物体的估计状态及相关不确定性用多维概率密度函数p表示：
pk+1(xk+1|Z1:k+1)，
其中，函数p是所有测量值Z1:k+1＝{z1,…,zk+1}，在时间k+1时的函数，用条件概率表示，系统变量x的状态是测量值z的条件概率函数。
由状态方程表示传感器连续两次检测到的某一目标运动状态的测量值。该方程表示物体在下一个时间点可能的运动状态，如位置、速度和运动方向。也可以通过马尔可夫转移概率密度方程表示，通常假定模型具备一阶马尔可夫特性。该属性可简单地描述为系统的未来状态仅取决于最后一个已知状态和当前测量值，而不是整个模型的历史状态和测量值。
依据查普曼-科尔莫戈罗夫方程，根据当前目标状态，预测下一次测量时间目标状态。
具体地，所述在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测，包括：
确定连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值；
根据所述连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值预测当前目标运动状态下一次测量值。
所述连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值的状态方程表示式为：
xk+1|k＝f(xk)+Vk，
其中，Vk表示模型误差的附加干扰变量，xk表示当前目标运动状态的测量值。
具体地，所述当前目标运动状态下一次测量值的状态方程表示式为：
pk+1|k(xk+1|xk)＝∫fk+1|k(xk+1|xk)pk(xk)dxk，
其中，pk+1|k(xk+1|xk)表示多维概率密度函数。
需要说明的是，传感器连续两次检测到的某一目标运动状态的测量值由如下运动方程表示：
xk+1|k＝f(xk)+Vk，
其中，Vk表示可能模型误差的附加干扰变量。该运动方程表示物体在下一个时间点可能的运动状态，如位置、速度和运动方向。或者，物体的运动方程也可以通过马尔可夫转移概率密度方程表示：
fk+1|k(xk+1|xk)。
该马尔可夫转移概率密度方程只是同一模型的另一种数学表示。为方便计算，通常假定模型具备一阶马尔可夫特性。该属性可简单地描述为系统的未来状态仅取决于最后一个已知状态和当前测量值，而不是整个模型的历史状态和测量值。本发明实施例中，在获取新的测量值前，物体的预测状态xk+1仅取决于最后确定的状态xk，Z1:k＝{z1,…,zk}隐含了全部历史测量值。
依据查普曼-科尔莫戈罗夫方程，根据当前目标状态，预测下一次测量时间的目标的状态。
附图2是自动驾驶汽车环境感知目标状态确定性预测过程。在本实施例中，一种自动驾驶汽车环境感知目标状态确定性预测方法包括以下步骤：
S1：自动驾驶系统通过摄像头、毫米波雷达和激光雷达等传感器分别获取周围环境信息，经传感融合获取周围环境的传感信息。
S2：以传感信息为基础建立自动驾驶系统环境感知模型，该模型是基于对象的自动驾驶汽车环境模型，是一种动态数据结构。该数据结构在空间和时间维度对车辆周围所有相关对象和基础设施进行准确描述，并完成时间和空间同步。在时间维度，自动驾驶汽车通过传感信息融合和高精度电子地图持续获取分类目标和道路交通信息。根据当前自动驾驶汽车所执行的驾驶任务，确定哪些目标对象和道路结构信息与当前车辆行驶状态安全性相关。在模型中，其他道路使用者、道路基础设施元素和本车状态都是通过独立的动态对象模型描述，模型的状态信息，如动态目标的位置、速度及二维/三维对象尺寸，道路交通基础设施的路面标记、交通标志以及交通灯状态，根据传感器测量值不断更新。
S3：物体的估计状态及相关不确定性用多维概率密度函数p表示。
pk+1(xk+1|Z1:k+1)。
函数p是所有测量值Z1:k+1＝{z1,…,zk+1}，在时间k+1时的函数，用条件概率表示，系统变量x的状态是测量值z的条件概率函数。
S4：传感器连续两次检测到的某一目标运动状态的测量值由如下状态方程表示。
xk+1|k＝f(xk)+Vk。
其中，Vk表示可能模型误差的附加干扰变量。该运动方程表示物体在下一个时间点可能的运动状态，如位置、速度和运动方向。或者，物体的状态方程也可以通过马尔可夫转移概率密度方程表示：
fk+1|k(xk+1|xk)。
假定模型具备一阶马尔可夫特性。该属性可简单地描述为系统的未来状态仅取决于最后一个已知状态和当前测量值，而不是整个模型的历史状态和测量值。本发明中，在获取新的测量值前，物体的预测状态xk+1仅取决于最后确定的状态xk，Z1:k＝{z1,…,zk}隐含了全部历史测量值。
S5：依据查普曼-科尔莫戈罗夫方程，根据当前目标状态xk，预测下一次测量时间k+1时，目标的状态如下式所示。
pk+1|k(xk+1|xk)＝∫fk+1|k(xk+1|xk)pk(xk)dxk
该式表示为贝叶斯滤波过程。传感器的测量过程一般可以用测量方程的形式表示。
传感器测量过程一般用如下测量方程表示。
zk+1|k＝hk+1(xk+1)+wk+1
测量函数h(·)描述了测量值和状态变量之间的关系。例如，如果一个状态变量可以直接测量的测量值，那么h(·)是一一映射。这里，随机扰动变量wk+1表示可能的测量误差。测量方程也可以用如下似然方程表示。
g(zk+1|xk+1)
如果可获取当前测量值zk+1，则更新对象状态的概率密度函数，使用如下贝叶斯公式计算当前状态估计值。
Figure BDA0002392775210000061
当前常用的所有随机状态估计方法和实现都基于普通贝叶斯滤波，这种方式实现的滤波效率不高。以正态分布的测量信号和线性模型为假设条件的卡尔曼滤波，可简化普通贝叶斯滤波分析。该方法可连续地为传感器数据的不确定物理变量提供概率测量值。因此能够可靠地检测传感器故障和传感器性能衰减。
作为本发明的另一实施例，提供一种自动驾驶汽车环境感知故障的预测装置，其中，包括：
获取模块，用于实时获取周围环境的传感信息；
模型建立模块，用于根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；
预测模块，用于在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。
本发明实施例提供的自动驾驶汽车环境感知故障的预测装置，可以根据周围环境的传感信息实现对当前目标运动状态的预测，从而降低由环境感知故障而导致自动驾驶汽车安全事故的风险。
关于本发明实施例中的自动驾驶汽车环境感知故障的预测装置的工作原理可以参照前文的描述，此处不再赘述。
作为本发明的另一实施例，提供一种自动驾驶汽车环境感知故障的预测系统，其中，包括：检测装置和前文所述的自动驾驶汽车环境感知故障的预测装置，所述检测装置和所述自动驾驶汽车环境感知故障的预测装置通信连接，所述检测装置用于检测周围环境的传感信息。
本发明实施例提供的自动驾驶汽车环境感知故障的预测系统，可以根据周围环境的传感信息实现对当前目标运动状态的预测，从而降低由环境感知故障而导致自动驾驶汽车安全事故的风险。
优选地，所述检测装置包括摄像头、毫米波雷达传感器和激光雷达传感器。
优选地，所述自动驾驶汽车环境感知故障的预测装置包括单片机。
关于本发明实施例中的自动驾驶汽车环境感知故障的预测系统的工作原理可以参照前文的描述，此处不再赘述。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种自动驾驶汽车环境感知故障的预测方法，其特征在于，包括：
实时获取周围环境的传感信息；
根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；
在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。
2.根据权利要求了1所述的自动驾驶汽车环境感知故障的预测方法，其特征在于，所述根据所述周围环境的传感信息建立自动驾驶系统环境感知模型，包括：
根据所述周围环境的传感信息以及电子地图持续获取分类目标和道路交通信息；
根据当前自动驾驶汽车执行的驾驶任务确定所述分类目标和道路交通信息与当前自动驾驶汽车的相关性；
分别通过独立的动态模型描述道路基础设施元素和当前自动驾驶汽车的状态。
3.根据权利要求2所述的自动驾驶汽车环境感知故障的预测方法，其特征在于，所述根据所述周围环境的传感信息建立自动驾驶系统环境感知模型还包括：根据所述周围环境的传感信息实时更新所述自动驾驶系统环境感知模型。
4.根据权利要求1所述的自动驾驶汽车环境感知故障的预测方法，其特征在于，所述在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测，包括：
确定连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值；
根据所述连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值预测当前目标运动状态下一次测量值。
5.根据权利要求4所述的自动驾驶汽车环境感知故障的预测方法，其特征在于，所述连续两次获取到的周围环境的传感信息中当前目标运动状态的测量值的状态方程表示式为：
xk+1|k＝f(xk)+Vk，
其中，Vk表示模型误差的附加干扰变量，xk表示当前目标运动状态的测量值。
6.根据权利要求5所述的自动驾驶汽车环境感知故障的预测方法，其特征在于，所述当前目标运动状态下一次测量值的状态方程表示式为：
pk+1|k(xk+1|xk)＝∫fk+1|k(xk+1|xk)pk(xk)dxk，
其中，pk+1|k(xk+1|xk)表示多维概率密度函数。
7.一种自动驾驶汽车环境感知故障的预测装置，其特征在于，包括：
获取模块，用于实时获取周围环境的传感信息；
模型建立模块，用于根据所述周围环境的传感信息建立自动驾驶系统环境感知模型；
预测模块，用于在所述自动驾驶系统环境感知模型下对当前目标运动状态进行预测。
8.一种自动驾驶汽车环境感知故障的预测系统，其特征在于，包括：检测装置和权利要求7所述的自动驾驶汽车环境感知故障的预测装置，所述检测装置和所述自动驾驶汽车环境感知故障的预测装置通信连接，所述检测装置用于检测周围环境的传感信息。
9.根据权利要求8所述的自动驾驶汽车环境感知故障的预测系统，其特征在于，所述检测装置包括摄像头、毫米波雷达传感器和激光雷达传感器。
10.根据权利要求8所述的自动驾驶汽车环境感知故障的预测系统，其特征在于，所述自动驾驶汽车环境感知故障的预测装置包括单片机。
CN202010120372.3A 2020-02-26 2020-02-26 一种自动驾驶汽车环境感知的预测方法、装置及系统 Pending CN111326002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120372.3A CN111326002A (zh) 2020-02-26 2020-02-26 一种自动驾驶汽车环境感知的预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120372.3A CN111326002A (zh) 2020-02-26 2020-02-26 一种自动驾驶汽车环境感知的预测方法、装置及系统

Publications (1)

Publication Number Publication Date
CN111326002A true CN111326002A (zh) 2020-06-23

Family

ID=71169112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120372.3A Pending CN111326002A (zh) 2020-02-26 2020-02-26 一种自动驾驶汽车环境感知的预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111326002A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116686535A (zh) * 2023-06-30 2023-09-05 哈尔滨市大地勘察测绘有限公司 基于数据分析的无人驾驶收割机控制方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101438334A (zh) * 2006-03-03 2009-05-20 因瑞克斯有限公司 未来交通状况的动态时序预测
CN101739824A (zh) * 2009-11-12 2010-06-16 上海第二工业大学 基于数据融合技术的交通状况估计方法
CN102646332A (zh) * 2011-02-21 2012-08-22 日电（中国）有限公司 基于数据融合的交通状态估计装置和方法
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN107564280A (zh) * 2017-08-22 2018-01-09 王浩宇 基于环境感知的驾驶行为数据采集分析系统和方法
CN107705558A (zh) * 2017-09-15 2018-02-16 东南大学 一种多数据类型的贝叶斯od矩阵估计方法
CN109427200A (zh) * 2017-08-27 2019-03-05 南京乐朋电子科技有限公司 智能无人驾驶系统
CN110091875A (zh) * 2019-05-14 2019-08-06 长沙理工大学 基于物联网的深度学习型智能驾驶环境感知系统
CN110297494A (zh) * 2019-07-15 2019-10-01 吉林大学 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101438334A (zh) * 2006-03-03 2009-05-20 因瑞克斯有限公司 未来交通状况的动态时序预测
CN101739824A (zh) * 2009-11-12 2010-06-16 上海第二工业大学 基于数据融合技术的交通状况估计方法
CN102646332A (zh) * 2011-02-21 2012-08-22 日电（中国）有限公司 基于数据融合的交通状态估计装置和方法
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
CN107564280A (zh) * 2017-08-22 2018-01-09 王浩宇 基于环境感知的驾驶行为数据采集分析系统和方法
CN109427200A (zh) * 2017-08-27 2019-03-05 南京乐朋电子科技有限公司 智能无人驾驶系统
CN107705558A (zh) * 2017-09-15 2018-02-16 东南大学 一种多数据类型的贝叶斯od矩阵估计方法
CN110091875A (zh) * 2019-05-14 2019-08-06 长沙理工大学 基于物联网的深度学习型智能驾驶环境感知系统
CN110297494A (zh) * 2019-07-15 2019-10-01 吉林大学 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张文杰: "基于多传感器室内移动机器人自主定位方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
马踏飞燕11: "《CSDN》", 17 March 2019 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116686535A (zh) * 2023-06-30 2023-09-05 哈尔滨市大地勘察测绘有限公司 基于数据分析的无人驾驶收割机控制方法及系统
CN116686535B (zh) * 2023-06-30 2023-12-01 哈尔滨市大地勘察测绘有限公司 基于数据分析的无人驾驶收割机控制方法及系统

Similar Documents

Publication Publication Date Title
CN109421738B (zh) 用于监视自主车辆的方法和装置
CN109421742B (zh) 用于监测自主车辆的方法和设备
CN111382768B (zh) 多传感器数据融合方法和装置
JP6714513B2 (ja) 車両のナビゲーションモジュールに対象物の存在を知らせる車載装置
US9610945B2 (en) Collision mitigation and avoidance
CN103781685B (zh) 车辆用自主行驶控制系统
Rawashdeh et al. Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information
CN111788571A (zh) 车辆跟踪
EP3971526B1 (en) Path planning in autonomous driving environments
CN116803784A (zh) 密集车辆环境中的自主控制
US10095238B2 (en) Autonomous vehicle object detection
CN112567439B (zh) 一种交通流信息的确定方法、装置、电子设备和存储介质
US20210058814A1 (en) Methods and systems for processing traffic data from vehicles
EP4020111B1 (en) Vehicle localisation
CN114274972A (zh) 自主驾驶环境中的场景识别
US11845429B2 (en) Localizing and updating a map using interpolated lane edge data
Tao et al. Comparative evaluation of Kalman filters and motion models in vehicular state estimation and path prediction
CN115269371A (zh) 用于自动驾驶系统的路径规划系统开发的平台
CN117387647A (zh) 融合车载传感器数据与道路传感器数据的道路规划方法
CN111326002A (zh) 一种自动驾驶汽车环境感知的预测方法、装置及系统
US11468767B2 (en) Map information system
CN115840637A (zh) 用于自动驾驶系统特征或功能的评估和开发的方法和系统
Janssen et al. Vehicle surround sensing based on information fusion of monocular video and digital map
CN114426030A (zh) 一种行人穿行意图估计方法、装置、设备和汽车
Chehri et al. Keep your distance, automated driving vehicle!—toward an accurate localization solutions for automotive applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200623